聊一聊 gb688(国家标准全文公开系统) 展示原理

一、显示原理

我尽量说详细一点，我真的很佩服这个开发的想法，很巧妙的用了很多办法展示，且阻止打印，真的很伟大。

这个文档16页，每一页对应一个div展示

---

每个页面都是很多小方块(span)组成，其中有个样式，也就是说，这是一个巨大的图片，没有一个文字，全是像素！

background-position：控制背景图像在元素内的定位。决定了图像相对于元素的显示位置。
background-image：指定一个背景图像。它通过 URL 引入外部图像来设置背景

---

后面好奇为什么要拼接成一个页面，直接显示不好吗为什么要切块，我打开背景图片看看，我嘞个豆啊，明白了为什么要切块

---

对比发现，有些页面span高达70个，有些低质10个，为什么呢，页面不都是一样大小，分析后发现，只有显示的地方才有span，才有数据，空白的地方都是空白背景，烤出来后我把背景改成红色，如下下图

---

现在我们知道了大概原理，每一个页面分成了很多span元素块

span元素先限制展示大小，然后图片定位显示，相当于整个图片都显示在页面上，只给你看了一部分，但全部加载了，下面图片是去除展示显示，全部显示，知道多牛了吧

这样你要保存成pdf，就得开背景图形，多的页面70多个span，相当于你要重复加载70多次，相当于叠了70层，同一张图片然后合成，大约（0.7秒/张），那不得等疯了

二、保存PDF

1、打开调试（方便后续操作）

2、修改css（去除限制打印）

3、修改overflow（去除一页限制）

三、流量分析

1、图片来源

2、fileName来源

3、验证码地址

4、验证码提交

四、代码爬取（python）

1、用户输入

首先，要求输入一个编号（hcno），这是该标准或文件的标识。

2、设置请求的头部和Cookie

代码设置了请求头和Cookie，这些是为了模拟浏览器访问，并绕过一些反爬虫机制。

3、验证码处理

程序首先发送一个请求，获取一个验证码的图片（通常用于防止机器人访问）。这个验证码需要通过OCR（光学字符识别）技术来识别。
图片被编码为Base64格式并发送给一个验证码识别服务【自己云部署的】，通过该服务获取验证码的识别结果。
如果验证码识别成功，程序继续执行；如果失败，则会退出，一直重复到成功。

4、页面内容的解析

使用 BeautifulSoup 解析从目标网站获取的HTML内容。
该网站包含多个页面，其中每一页可能包含图像或其他资源。通过分析HTML，程序找到每一页的图像URL。

5、下载图像

从目标网站下载每一页的图片，并将这些图像保存为WebP格式文件（这是一种图像压缩格式）。

6、图像处理

处理每张下载的图片，使用PIL库将图像裁剪和拼接到一个画布上。图像裁剪的区域根据网页中的样式信息进行计算。
每一页的图像会被保存为一个PNG格式的图片文件。

7、生成PDF

通过 FPDF 库，将之前处理过的PNG图片转换为PDF文件。每张图片会根据其纵横比自动调整大小，以适应A4纸张大小（210mm宽，297mm高）。
最终生成一个包含所有图像的PDF文件。

8、保存PDF

PDF文件的命名基于当前的时间戳，并将其保存到本地。

---

代码太丑了，就不公布了。

---

五、参考文献

1.吾爱（1699809）

https://www.52pojie.cn/thread-1699809-1-1.html

链接: gb688预览-浏览器保存pdf下载的方法思路 - 吾爱破解 - 52pojie.cn